GM 2026 电动车减产背后：AI 自动驾驶路线决定成本与规模

GM 在 2025 年因为调整美国电动车产量与节奏，账面代价超过 70 亿美元；即便全年卖出了接近 10 万辆电动车，GM 仍在展望中明确：2026 年电动车销量将“显著”更低。这个组合很刺眼——卖得不算少，但越做越谨慎，甚至主动放慢。

我更愿意把它看成一个行业信号：电动车的胜负手不再只是“能不能造出来”，而是“能不能用更低的不确定性把规模做出来”。而“不确定性”恰恰来自两条相互缠绕的主线：一条是电动车的供应链与制造复杂度；另一条是自动驾驶/智能驾驶的技术路线选择——它直接影响硬件平台、传感器组合、软件迭代速度、数据闭环效率，最终落到 BOM 成本、良率、返工率、产品节奏与利润表。

这篇文章放在《人工智能在汽车制造》系列里聊：为什么 GM 的减产与亏损，不只是市场问题，也是一场“AI 与工程体系”的对账；以及 Tesla 的端到端 AI 路线与中国车企更常见的“多传感器+多供应商”路线，分别怎样影响规模化与财务结果。

GM 的“显著减量”到底在怕什么：规模化的不确定性

核心结论先说：当车企无法稳定地把“硬件平台、软件能力、制造节拍”锁在同一个版本上时，扩产是最贵的赌博。

从 RSS 摘要能确定的事实只有几条：

• GM 2025 年因调整美国电动车生产计划，成本超过 70 亿美元
• 2025 年 GM 电动车销量接近 10 万辆
• GM 预计 2026 年电动车销量将“显著”下降

把这些信息放进现实经营语境，基本能推演出三个“怕”：

1) 怕平台与供应链没同步，越产越亏

电动车比燃油车更依赖电池、功率半导体、热管理、域控制器等关键件的稳定供给与一致性。只要某个环节在版本切换（例如电池化学体系、BMS 策略、域控算力升级），制造端就会出现：

• 变更频繁导致的工艺返工
• 质量波动导致的质保压力
• 库存结构不匹配导致的减值

这些都能把利润表迅速拉穿。“先慢一点”往往是为了把不确定性关进笼子。

2) 怕智能驾驶“硬件堆料”把成本打上去，但体验又不稳定

传统车企常见的策略是多传感器、多供应商：摄像头、毫米波雷达、（部分车型还有）激光雷达，再加上来自不同 Tier1 的感知/融合/定位方案。优点是短期更“保险”；缺点是：

• BOM 上升：传感器、线束、冗余算力都是真金白银
• 系统集成成本上升：不同供应商接口、版本节奏、Bug 修复路径不一致
• 体验一致性难：同一套硬件在不同区域/不同车型上表现参差

当智能驾驶没法形成明确的“可规模复制”的口碑溢价时，硬件堆料就会变成纯成本项。

3) 怕数据闭环断裂：软件改得慢，制造节拍就不敢快

智能驾驶的迭代，本质上靠数据闭环：上车数据→自动标注/训练→回归测试→OTA。闭环效率越低，软件版本越难快速稳定；软件不稳定，车型配置就难冻结；配置不冻结，工厂就难高节拍稳定生产。

一句话：软件工程速度，正在反向决定制造的扩产速度。

Tesla 的端到端 AI：把“规模”当成训练问题，而不是项目管理问题

先给一个可被引用的判断：端到端（E2E）路线的优势不是“更聪明”，而是“更可复制”。

Tesla 的方法论更接近互联网：用统一硬件平台（或少量平台分化）承接大规模数据，用统一训练框架迭代驾驶策略，再通过 OTA 快速铺开。其关键不在“传感器配了什么”，而在于：

1) 平台统一，制造与软件同频

平台统一意味着：

• 采购更集中，物料更稳定
• 工艺参数更容易收敛，良率更容易爬坡
• 软件适配面更小，回归测试更可控

当你能把“硬件平台”做成稳定底座，扩产就是线性问题；反之，扩产会变成无限多的非线性分支。

2) 数据规模带来“边际成本下降”

端到端策略的经济学是：越多车在路上跑，单位能力提升的成本越低。这会让企业更敢做规模，因为规模本身会反哺能力提升。

对照 GM 的困境：如果你的智能驾驶能力主要依赖供应商版本与小规模试点，规模并不会显著降低迭代成本，反而会放大集成成本。

3) 失败模式更清晰，质量体系更好对齐

端到端并不等于没有风险，但它的好处是：问题往往集中在训练数据、场景覆盖、模型退化上——可被日志捕捉、可被仿真复现、可被 A/B 对比。

这点对《人工智能在汽车制造》很关键：可诊断性决定了质量闭环速度，而质量闭环速度决定了扩产胆量。

中国车企的主流路径：多传感器+多供应商，强在“快上车”，弱在“难统一”

先亮观点：中国车企这条路线短期更容易做出“可感知的功能”，但长期考验的是工程统一与组织能力。

很多中国品牌在 2023-2025 年快速把 NOA、城市领航、泊车等能力铺到更多车型上，靠的往往是：

• 多传感器冗余提高“能用率”
• 供应商生态缩短研发周期
• 车型矩阵广，通过不同价位段快速试错

但代价也明显：

1) 供应商越多，版本管理越像“多人接力赛”

智能驾驶涉及感知、定位、规控、控制、仿真、工具链、芯片与中间件。只要链条上有 2-3 家供应商不同步，就会出现：

• 某个模块升级引入新问题
• 回归周期被拉长
• 量产版本冻结被推迟

最后落到工厂端，就是“今天这批车的软件版本和下周那批车不一样”，质量追溯会非常痛苦。

2) 传感器堆叠容易带来“隐性制造复杂度”

多一个传感器，不只是多一笔采购费，还意味着：

• 更多装配工位与标定流程
• 更复杂的线束与电磁兼容验证
• 更高的售后诊断与维修难度

当销量上来，这些复杂度会以返工、人力、工时、质保的方式“利滚利”。

3) 真正的护城河不是硬件，而是数据与工具链

我见过不少团队把激光雷达数量当竞争力，但长期来看更值钱的是：

• 统一数据格式与采集策略
• 自动标注与仿真体系
• 可量化的安全指标与回归体系

这些能力一旦建起来，才能把“智能驾驶迭代”变成流水线，而不是项目。

从 GM 的 70 亿美元学到什么：把智能驾驶当成制造系统的一部分

答案很直接：不要把智能驾驶当作“车上一个功能”，要把它当作“贯穿研发-制造-质量-供应链的操作系统”。

给三条可执行的建议，适合正在做电动车与智能驾驶规模化的团队：

1) 用 AI 统一“设计-工艺-质量”：先把版本冻结做扎实

• 设立“平台冻结点”（硬件+软件），冻结后只允许安全关键修复
• 把变更影响量化：每次变更必须给出对工厂节拍、良率、返工的预估
• 用质量 AI 做早期预警：通过产线数据（扭矩、间隙、标定误差）预测缺陷

一句话：版本管理是利润的前置条件。

2) 让数据闭环对齐制造节拍：把 OTA 当作产线延伸

• 建立“可回放”的问题库：每个严重问题必须能在仿真/回放中复现
• 自动化回归：关键场景用仿真跑满，减少人工路测依赖
• 将售后数据纳入训练与质量：质保案例是最真实的场景分布

当闭环速度够快，扩产才不会让问题指数级放大。

3) 重新算一遍“多传感器”的总成本：别只看硬件单价

建议用 TCO（总拥有成本）而不是 BOM 来决策：

• 传感器增加带来的装配、标定、测试成本
• 返修与质保成本
• 供应链风险成本（断供、替代料认证周期）

很多项目的亏损，不是输在技术，而是输在成本核算口径。

可引用的一句话：智能驾驶的路线选择，会在两年后以“制造成本与现金流”的方式结账。

常见追问：GM 放慢电动车，会影响自动驾驶布局吗？

会，而且影响很具体：销量与上路规模下降，会直接削弱数据规模与迭代速度。

智能驾驶需要规模数据来覆盖长尾场景。若电动车主力平台减产或销量下滑，意味着：

• 新功能灰度范围更小，验证更慢
• 数据分布更偏（少量城市/少量车型），泛化更难
• 训练与回归成本更难被摊薄

因此，电动车规模化与智能驾驶规模化不是两条线，而是一条线上的两个齿轮：一个打滑，另一个也转不起来。

写在最后：2026 年的胜负，不只是谁卖得多

GM 预计 2026 年电动车销量显著下降，这件事本身并不罕见——汽车行业本来就周期性强、投资重、调整慢。真正值得行业警惕的是：当“电动车+智能驾驶”走到深水区，财务波动往往不是市场造成的，而是系统工程能力不够稳定造成的。

如果你正在规划下一代电动车平台，我的建议很明确：把 AI 放进制造体系里思考——从平台统一、数据闭环、质量预测，到供应链协同。你会发现，很多“扩产焦虑”其实是“系统不统一”的副作用。

接下来两年，你更看好哪条路线成为主流：端到端 AI 推动的平台统一，还是多传感器与多供应商推动的快速迭代？答案会直接写在每家车企的成本曲线和现金流里。